la modélisation numérique du climat -...
TRANSCRIPT
La modélisation numérique du climat
Benjamin Pohl
Centre de Recherches de Climatologie, Biogéosciences, CNRS / [email protected]
M2R Géobiosphère – Tronc commun
vendredi 22 septembre 2017
IPCC : "+1.5 à +6°C d'ici 2100" :vous y croyez, vous ???
Proposition de débat
IPCC 2007
Unhommepoli+quetrèsconnu:«Ilfautêtrearrogantcommel’hommepourpenserquec’estnousquiavonschangéleclimat»
vs.
"+1.5 à +6°C d'ici 2100" :vous y croyez, vous ???
Proposition de débat
IPCC 2007 / Game of Thrones
Ces valeurs sont-elles obtenuespar magie ?
"+1.5 à +6°C d'ici 2100" :vous y croyez, vous ???
Proposition de débat
IPCC 2007
Ces valeurs sont-elles obtenuespar magie ?
Peut-on faire confianceaux modèles de climat ?
"+1.5 à +6°C d'ici 2100" :vous y croyez, vous ???
Proposition de débat
Peut-on faire confianceaux modèles de climat ?
IPCC 2007
Au fait, c'est quoi,un modèle de climat ?
Ces valeurs sont-elles obtenuespar magie ?
Plan
I. Les modèles d'atmosphère- Présentation générale- La prévision météorologique- Les conditions initiales- Résolution & processus sous-maille- Les paramétrisations physiques
II. Les modèles de climat- Spécificités- Exemples d'utilisation- Limites
III. Les modèles climatiques régionaux- Principes généraux- Exemples d'utilisation- Limites
L. Fairhead – LMD / IPSL
Présentation générale
Utilisation première des modèles d'atmosphère : la prévision météorologique…
L'usine à prévoir de Richardson (1922) illustrée par A. Lannerback
Richardson (1922) estime que son programme de calcul de l'évolution de l'atmosphère nécessiterait 64000 personnes travaillant ensemble pour produire des prévisions en temps réel
Présentation générale
… rendue possible avec l'apparition des premiers ordinateurs dans les années 1940Utilisation première des modèles d'atmosphère : la prévision météorologique…
A partir de l'observation de l'état de l'atmosphère à l'instant t, prévoir son état à l'instant t+δt… jusqu'à l'échéance souhaitée
Présentation générale
Utilisation première des modèles d'atmosphère : la prévision météorologique…
Eumetsat
Modèle d'atmosphère : programme informatique qui implémente un système d’équations qui sont l’expression des lois physiques régissant le comportement de l'atmosphère
• basé sur les lois de la physique (mécanique des fluides)
• résolution numérique par discrétisation de l’espace (mailles ou point de grille) et du temps (pas de temps)
• formalisme mathématique des équations différentielles partielles, non linéaires, couplées, chaotiques
Présentation générale
http://www.drroyspencer.com/wp-content/uploads/climate-model-1.jpg
Les équations de Navier-Stokes décrivent le mouvement des fluides dans l'approximation des milieux continus :[ici : notation différentielle en coordonnées cartésiennes]
Equation de continuité (ou équation du bilan de la masse)
Equation de bilan de la quantité de mouvement
Equation de bilan de l'énergie
Présentation générale
5 équations fondamentales (appelées équations «primitives») invariables entre tous les GCM
• Conservation de l’énergie totale (= première loi de thermodynamique) : apport d’énergie = augmentation de l’énergie interne + travail effectué • Conservation du moment cinétique (= seconde loi de Newton) • Conservation de la masse appliquée à l’air et à la vapeur d’eau dans l’atmosphère (eau et sel dans l’océan) : équation de continuité• Loi des gaz parfaits (pour l’atmosphère) : pression x volume = constante des gaz x température absolue• Hypothèse hydrostatique : équilibre entre force de gravité et force de pression verticale
Approximation de couche mince : l'épaisseur de l'atmosphère est petite devant le rayon terrestre (= une colonne verticale a une section constante)
Equations de base de la thermodynamique des fluides pour résoudre l'évolution de l'état de l'atmosphère à partir d'un état initial…
… Mais comment obtient-on un état initial ?
Présentation générale
Exemple #1 : données assimilées par le système du Centre Européen de Prévisions Météorologiques à Moyen Terme (ECMWF) en 2000
bouées dérivantes mesures aéroportées radiosondages
données satellitales données bateaux stations météorologiques
La prévision météorologique
http://www.ecmwf.int/
La prévision météorologiqueExemple #2 : données de surface assimilées par le National Center for
Environmental Predictions (NCEP) pour reconstituer un historique de l'atmosphère sur la période 1871-présent
1871 1886 1901
1916 1931 1946
1961 1976 1991
Etat initial t0
Etat prévu t + δt
pas de temps d'intégration
De l'état initial à l'échéance : un processus itératif
La prévision météorologique
Etat initial t0
Etat prévu t + δt
Etat à l'échéance tend
…
pas de temps d'intégration
De l'état initial à l'échéance : un processus itératif
La prévision météorologique
Etat initial t0
Prévision parfaite sous deux conditions :- état initial parfaitement renseigné
- modèle parfait
Etat prévu t + δt
Etat à l'échéance tend
…
pas de temps d'intégration
De l'état initial à l'échéance : un processus itératif
La prévision météorologique
Etat initial t0
Prévision parfaite sous deux conditions :- état initial parfaitement renseigné
- modèle parfait
Etat prévu t + δt
Etat à l'échéance tend
…
pas de temps d'intégration
De l'état initial à l'échéance : un processus itératif
La prévision météorologique
?
Première limite : l'état initial imparfait
• impossible de mesurer l'état de l'atmosphère partout et tout le temps• toute mesure est associée à un risque d'erreur
L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreurProblème : l'atmosphère a un comportement fondamentalement chaotique
Les conditions initiales
Première limite : l'état initial imparfait
• impossible de mesurer l'état de l'atmosphère partout et tout le temps• toute mesure est associée à un risque d'erreur
L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreurProblème : l'atmosphère a un comportement fondamentalement chaotique
http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html
Les conditions initiales
Première limite : l'état initial imparfait
• impossible de mesurer l'état de l'atmosphère partout et tout le temps• toute mesure est associée à un risque d'erreur
L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreurProblème : l'atmosphère a un comportement fondamentalement chaotique
http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html
Les conditions initiales
Première limite : l'état initial imparfait
• impossible de mesurer l'état de l'atmosphère partout et tout le temps• toute mesure est associée à un risque d'erreur
L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreurProblème : l'atmosphère a un comportement fondamentalement chaotique
s = 10r = 28b = 8/3
http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html
Les conditions initiales
Première limite : l'état initial imparfait
• impossible de mesurer l'état de l'atmosphère partout et tout le temps• toute mesure est associée à un risque d'erreur
L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreurProblème : l'atmosphère a un comportement fondamentalement chaotique
s = 10r = 28b = 8/3
http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html
Les conditions initiales
Première limite : l'état initial imparfait
• impossible de mesurer l'état de l'atmosphère partout et tout le temps• toute mesure est associée à un risque d'erreur
L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreurProblème : l'atmosphère a un comportement fondamentalement chaotique
Comportement de la variable x en fonction du temps tbleu : xo = 10, yo=10, zo=10 vert : xo = 10, yo=10,01, zo=10
Forte dépendance aux conditions initialesSolution : prévision météo d'ensemble (= plusieurs prévisions) avec perturbations aléatoires de l'état initial
http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html
Les conditions initiales
T@850hPa Tmax
Tmin P
La prévisibilité intrinsèque ("mémoire") de l'atmosphèren'excède pas une dizaine de jours
Météo-France
Les conditions initiales
Deuxième limite : les modèles sont imparfaits
• par définition, un modèle est une simplification de la réalité• problème : réaliser une prévision quadri-dimensionnelle (x,y,z,t) à partir d'un outil qui discrétise à la fois dans l'espace (x,y,z) et dans le temps (t)
Résolution & processus sous-maille
Quelles conséquences liées à la discrétisation de phénomènes continus ?
Quels effets de la résolution (horizontale et verticale) ?
http://climatevolution.free.fr/i2.html
Illustration #1 : les conditions de surface
Prise en compte du relief dans les modèles d'atmosphère
Résolution & processus sous-maille
Masque terre-mer pour différentes résolutions du modèle ECHAM
ECOLMAS Training Course – Bremen – 1-4 avril 2008
Illustration #1 : les conditions de surface
Résolution & processus sous-maille
Idem (+ topographie) zoomé sur l'Europe de l'Ouest
En basse résolution le tunnel sous la Manche devient inutile.Même en plus haute résolution le détroit de Gibraltar reste bouché.
ECOLMAS Training Course – Bremen – 1-4 avril 2008
Résolution & processus sous-maille
Illustration #1 : les conditions de surface
Prise en compte du relief dans les modèles d'atmosphère
Effets des reliefs de l'île d'Amsterdam (38°43′S 77°31′E, 58km2, point culminant 881m)sur les nuages de couche limite
Résolution & processus sous-maille
Illustration #1 : les conditions de surface
Prise en compte du relief dans les modèles d'atmosphère
Effets des reliefs de l'île d'Amsterdam (38°43′S 77°31′E, 58km2, point culminant 881m)sur les nuages de couche limite
Résolution & processus sous-maille
Niveaux pression
• ce qu'attend l'utilisateur• problèmes de calcul : un flux peut "buter" contre un reliefPas utilisés directement pour les calculs dans les modèles
Pierre Carrega – Journées de Climatologie – Besançon – 13-14 mars 2009
Utilisation de coordonnées verticales σ où σ = P / Psurf, P pression atmosphérique, Psurf pression de surface
• meilleure description des champs de surface• facilite le calcul de l'écoulement des flux
Résolution & processus sous-maille
Pierre Carrega – Journées de Climatologie – Besançon – 13-14 mars 2009
Les coordonnées hybrides σ – pressionσ = (P – Ptop) / (Psurf - Ptop)P : pression ; Psurf : pression de surface : Ptop : pression au sommet de la colonne d'air
Variante souvent utilisée par les modèles hydrostatiques (on y reviendra)
p
σ
Les coordonnées σ – altitudeσ = (Ztop – Z) / (Ztop – Zsurf)Z : altitude ; Zsurf et Ztop : altitude de la surface et du sommet de la colonne d'air
Variante souvent utilisée par les modèles non-hydrostatiques (on y reviendra aussi)
Résolution & processus sous-maille
Pierre Carrega – Journées de Climatologie – Besançon – 13-14 mars 2009
CONSEQUENCES
Relief atténué : le sommet du Mont-Blanc culmine à 750m d'altitudeRelief simplifié : les variations du relief à l'intérieur d'une maille seraient a priori perdues – la Bresse n'existe pas, et Dijon = Besançon = Lyon = GenèveVariations de pente sous-estimées : sans Côte d'Or, pas de vins en Bourgogne
Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009
Illustration #1 : les conditions de surface
Prise en compte du relief dans les modèles d'atmosphère
Résolution & processus sous-maille
Topographie de l'Europe de l'Ouest dans une grille de 3.5° x 2.5°
Résolution & processus sous-maille
Illustration #2 : les processus atmosphériques
ou comment "faire entrer" un orage de 20km dans une maille de 300…
Taille d'une dépression frontale : supérieure à une maille de modèle…
Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007
Résolution & processus sous-maille
Illustration #2 : les processus atmosphériques
ou comment "faire entrer" un orage de 20km dans une maille de 300…
Taille d'une dépression frontale : supérieure à une maille de modèle…
… Ce n'est ni le cas pour un orage …
Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007
Résolution & processus sous-maille
Illustration #2 : les processus atmosphériques
ou comment "faire entrer" un orage de 20km dans une maille de 300…
Taille d'une dépression frontale : supérieure à une maille de modèle…
… Ce n'est ni le cas pour un orage …
… ni pour les nuages de couche limite.
Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007
Résolution & processus sous-maille
Illustration #2 : les processus atmosphériques
ou comment "faire entrer" un orage de 20km dans une maille de 300…
Taille d'une dépression frontale : supérieure à une maille de modèle…
… Ce n'est ni le cas pour un orage …
… ni pour les nuages de couche limite.
Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007
Résolution & processus sous-mailleChallenge #1 :
AMMA – Campagne 2004 / Eumetsat / Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009
Cellule convective ("orage") :
• durée de vie : 15' à quelques heures• extension spatiale : quelques kilomètres• extension verticale : haute, souvent jusqu'à la tropopause
Résolution & processus sous-maille
AMMA – Campagne 2004 / Eumetsat / Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009
Cellule convective ("orage") :
• durée de vie : 15' à quelques heures• extension spatiale : quelques kilomètres• extension verticale : haute, souvent jusqu'à la tropopause
Challenge #1 :
Résolution & processus sous-maille
AMMA – Campagne 2004 / Eumetsat / Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009 / IPSL
Cellule convective ("orage") :
• durée de vie : 15' à quelques heures• extension spatiale : quelques kilomètres• extension verticale : haute, souvent jusqu'à la tropopause
vs.
Maille d'un modèle global :
• quelques centaines de km• quelques dizaines de niveaux verticaux• un calcul toutes les n minutes (souvent 5 ≤ n ≤ 30)
Challenge #1 :
Résolution & processus sous-maille
AMMA – Campagne 2004 / Eumetsat / Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009 / IPSL
Chaque jour, 50 000 orages libérant chacun plus d'énergie que la bombe atomique larguée sur Hiroshima ou Nagasaki : problématique de les négliger
Challenge #1 :
Cellule convective ("orage") :
• durée de vie : 15' à quelques heures• extension spatiale : quelques kilomètres• extension verticale : haute, souvent jusqu'à la tropopause
vs.
Maille d'un modèle global :
• quelques centaines de km• quelques dizaines de niveaux verticaux• un calcul toutes les n minutes (souvent 5 ≤ n ≤ 30)
Résolution & processus sous-mailleChallenge #2 :
Les rétroactions nuageuses
Prise en compte des nuages fondamentale pour le bilan radiatif
Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007
Résolution & processus sous-maille
Changement climatique d'origine anthropique : déséquilibre du cycle du carbone de l'ordre de 1% …
… bien simuler ses effets demande de bien simuler les rétroactions nuageuseshttp://www.worc.ac.uk/LTMain/Rowland/mec/climate/Feedback/Cloud.html
Les paramétrisations physiquesou l'art d'apprendre à un modèle "à faire comme si"…
La plupart des modèles d'atmosphère (à l'exception des modèles simplifiés ne résolvant que les équations primitives) disposent de deux "modules" :
• le cœur dynamique résoud les équations primitives (Navier-Stokes, loi des gaz parfaits, approximation hydrostatique) – 3D spatiales à l'échelle globale + 1D temporelle (pas de temps d'intégration)• le cœur physique comprend les paramétrisations des processus sous-maille – souvent traité comme des colonnes d'air 1D et calculs réalisés (souvent) au pas de temps d'intégration.
Définition :
Technique utilisée dans un modèle numérique d'atmosphère pour prédire les effets collectifs de phénomènes d'échelle fine localisés à l'intérieur d'un point de grille, en fonction des conditions de large échelle.
Les paramétrisations physiquesou l'art d'apprendre à un modèle "à faire comme si"…
La plupart des modèles d'atmosphère (à l'exception des modèles simplifiés ne résolvant que les équations primitives) disposent de deux "modules" :
• le cœur dynamique résoud les équations primitives (Navier-Stokes, loi des gaz parfaits, approximation hydrostatique) – 3D spatiales à l'échelle globale + 1D temporelle (pas de temps d'intégration)• le cœur physique comprend les paramétrisations des processus sous-maille – souvent traité comme des colonnes d'air 1D et calculs réalisés (souvent) au pas de temps d'intégration.
Principales paramétrisations physiques :
• convection atmosphérique (cumulus et précipitations associées)• couche limite planétaire (échanges de chaleur et humidité avec l'atmosphère libre ; mouvements turbulents de basse couche)• microphysique nuageuse (processus de condensation / agrégation / précipitation)• transferts radiatifs (transferts de radiation ondes longues et courtes ; diffusion, absorption, réflexion, émission des rayonnements incident et réfléchi)• surfaces continentales (échanges de chaleur sensible et latente entre la surface et l'atmosphère)
… plus quelques autres plus spécifiques aux modèles de climat.
Les paramétrisations physiques
Adapté de Filippo Giorgi – International Centre for Theoretical Physics – Trieste
Intervention des paramétrisations physiques dans différentes grandeurs physiquescalculées par un modèle d'atmosphère
Les paramétrisations physiques
En pratique : réalisation de la "prévision"
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Assimilation de données observées
Les paramétrisations physiques
En pratique : réalisation de la "prévision"
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Assimilation de données observées
Les paramétrisations physiques
En pratique : réalisation de la "prévision"
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Prévision desvariables
pronostiques
Calcul desvariables pronostiques
à t+δt
t+δt
Assimilation de données observées
Les paramétrisations physiques
En pratique : réalisation de la "prévision"
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Prévision desvariables
pronostiques
Calcul desvariables pronostiques
à t+δt
t+δt
Calcul desvariables diagnostiques
à t+δtphysique
Assimilation de données observées
Les paramétrisations physiques
En pratique : réalisation de la "prévision"
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Prévision desvariables
pronostiques
Calcul desvariables pronostiques
à t+δt
t+δt
Calcul desvariables diagnostiques
à t+δtphysique
Prévision obtenue après n itérations
Assimilation de données observées
Les paramétrisations physiques
Schémas conceptuels de quelques paramétrisations de microphysique nuageuse.
Tous cherchent à modéliser les mêmes processus mais :
• différents schémas plus ou moins compliqués, basés sur des concepts différents
• schémas plus ou moins gourmands en temps de calcul selon leur degré de sophistication
WRF User's Guide – Wang et al. 2009
Exemple : quelques schémas de microphysique nuageuse du modèle WRF
Les paramétrisations physiques
Interactions directes ou indirectes complexes, souvent non linéaires,entre les différents schémas : les modèles sont aujourd'hui devenus
un objet d'étude en tant que tel
De la "qualité" des paramétrisations physiques dépend en très grande partiela "qualité" finale d'un modèle d'atmosphère
ECOLMAS Training Course – Bremen – 1-4 avril 2008
Les paramétrisations physiques
Modèle – Observations = Biais
Exemple : le syndrome de la double ZCIT
Les paramétrisations physiquesAlternatives : modèles simplifiés (dits de complexité intermédiaire)
• Modèles uni-colonne (0 dimension)
Vincent Moron – Journées ECCOREV – 23 février 2010
Les paramétrisations physiquesAlternatives : modèles simplifiés (dits de complexité intermédiaire)
• Modèles uni-colonne (0 dimension)• Modèles 1D (transect nord-sud)
http://www.eoearth.org/image/Radiation_balance.jpg
But : modéliser le rééquilibrage du bilan radiatif global par export de chaleur des tropiques vers les hautes latitudes de chaque hémisphère (et la saisonnalité associée)
Les paramétrisations physiquesAlternatives : modèles simplifiés (dits de complexité intermédiaire)
• Modèles uni-colonne (0 dimension)• Modèles 1D (transect nord-sud)• Modèles 3D en équations primitives ("dynamique sèche")
Leroux S & Hall NMJ, 2009: On the relationship between African Easterly Waves and the African Easterly Jet, J. Atmos. Sci., 66, 2303-2316
But : études de cas théoriques, plus ou moins idéalisées
Exemple : réponse de l'atmosphère à une anomalie de chauffage diabatique sur le Darfour
Les paramétrisations physiquesAlternatives : modèles simplifiés (dits de complexité intermédiaire)
• Modèles uni-colonne (0 dimension)• Modèles 1D (transect nord-sud)• Modèles 3D en équations primitives ("dynamique sèche")• Introduction "pas à pas" de paramétrisations physiques
Bellon G, 2010: Monsoon intraseasonal oscillation and land–atmosphere interaction in an idealized model,Clim. Dyn., published on line
But : isoler l'influence de chaque paramètre
Les paramétrisations physiquesAlternatives : modèles simplifiés (dits de complexité intermédiaire)
• Modèles uni-colonne (0 dimension)• Modèles 1D (transect nord-sud)• Modèles 3D en équations primitives ("dynamique sèche")• Introduction "pas à pas" de paramétrisations physiques• Modèles basse résolution à paramétrisations simples
Rahmstorf S, Ganopolski A, 1999: Long-term global warming scenarios computed with an efficient coupled climate model. Climatic Change 43, 353-367
But : réaliser des intégrations très longues…
… ce qui nous amène à la deuxième utilisation des modèles d'atmosphère : la modélisation numérique du climat.
Historique (sommaire) : 1896 Arrhenius calcule avec un EBM (energy balance model) qu'un réchauffement de 2° résulterait d’un doublement de CO2 1904 Bjerknes décrit la physique nécessaire pour modéliser l'atmosphère. Ekmann et Rossby utiliseront ses travaux.1922 Richardson jette les bases de la modélisation atmosphérique et de la prévision météo numérique. Il estime que son programme de calcul de l'évolution de l'atmosphère nécessiterait 64000 personnes travaillant ensemble pour produire des prévisions en temps réel1940s Développement des radiosondages + dévelopement des processeurs numériques et des calculateurs intégrant des programmes de calcul et des possibilités de stockage1950s Première séquence de prévision numérique = prévision « météorologique »1956 Premiers essais de simulation de la circulation atmosphérique générale1960s Développement parallèle des modèles simplifiés1965 Smagorinski et al. présente la première simulation globale employant la forme complète des équations de mouvement et de physique1980s – Intégration de plus en plus poussée des parties du système climatique
Spécificités
Spécificités
Pas de temps court : forçage atmosphérique sur la TSMPas de temps long : forçage de la TSM sur l'atmosphère
Spécificités
Pas de temps court : forçage atmosphérique sur la TSMPas de temps long : forçage de la TSM sur l'atmosphère
+ nécessiter de coupler océan et atmosphère
Roy Spencer – Comment fonctionne un modèle de climat? – 13 juillet 2009ENSO : Cane (1995)
Impossible de considérer les TSM comme constantes
Spécificités
Pas de temps long : d'autres variables, considérées constantes en prévi météo, peuvent fluctuer à différentes gammes de temps• la composition chimique de l'atmosphère• les aérosols / l'activité volcanique • l'humidité et l'occupation du sol• la "constante" solaire
Pascal Roucou – CRC
Spécificités
IPCC AR5
Nécessité de modéliser les différentes composantes du système climatiquevia des modèles couplés (runs CMIP)
Calo6esGRISLI
GREMLINS
AtmosphèreARPEGE-Climat
OcéanOPA
24h
Surfacescon+nentalesISBA(cycleC)
Icebergs
FleuvesTRIP
24h
24h
Biogéo-chimie
Glacedemer
Sta+s+ques10ans
Aérosol-ChimieMOCAGE Moyennes
Clima+ques
5ans
O3(MOBIDIC)+GESetoccupa+onsols
(IMAGE)
Emissions
24h
Spécificités
Gilles Bellon – CNRM – Météo-France / CNRS
Exemple : le modèle couplé du CNRM (Météo-France / CNRS)
Exemples d'utilisation Exemple #1 : la prévision saisonnière
Approche probabiliste – utilise l'inertie du système climatique (TSM, modes de variabilité interannuelle, …)
Météo-France
Exemples d'utilisation Exemple #1 : la prévision saisonnière
Approche probabiliste – utilise l'inertie du système climatique (TSM, modes de variabilité interannuelle, …)
Météo-France
Exemples d'utilisation Exemple #2 : le protocole AMIP
Modèles d'atmosphère forcés par champs de TSM mensuels, puis intercomparés (moyenne inter-modèle vs. observations, écarts inter-modèle, …)
Exemples d'utilisation Exemple #2 : le protocole AMIP
Modèles d'atmosphère forcés par champs de TSM mensuels, puis intercomparés (moyenne inter-modèle vs. observations, écarts inter-modèle, …)
Gates et al. 1999
Exemples d'utilisation Exemple #2 : le protocole AMIP
Modèles d'atmosphère forcés par champs de TSM mensuels, puis intercomparés (moyenne inter-modèle vs. observations, écarts inter-modèle, …)
Intérêts :
• Obtention d'une moyenne d'ensemble meilleure que chaque modèle pris indépendamment
• Evaluation des incertitudes (écarts inter-modèle) et des biais (écarts modèle – obs)
• Eventuellement, permet de dégager de grands principes sur les paramétrisations
(ex : seules les paramétrisations de la convection en convergence d'humidité semblent simuler l'oscillation intrasaisonnière de Madden-Julian)
Exemples d'utilisation
Animations par Adrian Matthews (2013)
MJO (Madden-Julian Oscillation)
• mode de variabilité dominant de l'atmosphère tropicale• propagation vers l'est d'amas convectifs de large échelle• périodicité 30-60 jours• simulée de manière irréaliste par la plupart des modèles atmosphériques actuels
Animations par Adrian Matthews (2013)
Exemples d'utilisation
monderéel
modèleforcé
ATTENTION au sens de causalité !!!
Basses fréquences:surtout SST qui force l'atmosphère
mais dans le monde réel,souvent des mécanismes couplés
océan-atmosphère
Hautes fréquences:surtout l'atmosphèrequi force la SST
Weare, 2013
Simulation d'ENSO par les modèles CMIP5(Coupled Model Inter-comparison Project phase 5, utilisés pour IPCC AR5 (Sept. 2013)
Anomalies de Ts pendant les évènements El Niño ~ réalistes dans certains modèles couplés
Bien sûr, non phasé avec l'obs.!
Exemples d'utilisation Exemple #3 : simuler ENSO
Weare, 2013
Simulation d'ENSO par les modèles CMIP5(Coupled Model Inter-comparison Project phase 5, utilisés pour IPCC AR5 (Sept. 2013)
Anomalies de P pendant les évènements El Niño ~ réalistes dans certains modèles couplés
Bien sûr, non phasé avec l'obs.!
Exemples d'utilisation Exemple #3 : simuler ENSO
Weare, 2013
Simulation d'ENSO par les modèles CMIP5
Effets distants (T2m, P) pas réalistes dans tous les modèles couplés régionalement : question d'échelle[Quel degré de fiabilité d'un modèle global aux échelles régionales ?]
Bien sûr, non phasé avec l'obs.!Quelle utilité pour les impacts ?
Exemples d'utilisation Exemple #3 : simuler ENSO
Exemples d'utilisation Exemple #3 : expériences de sensibilité
Rowell 2003
Les TSM méditerranéennes et la pluviométrie sahélienne :artefact statistique ou réalité physique ?
Exemples d'utilisation Exemple #3 : expériences de sensibilité
Expériences numériques forcées avec TSM observées et idéalisées (+ 2K) et étude des conséquences sur les précipitations
Jung et al. 2006
Exemples d'utilisation Exemple #3 : expériences de sensibilité
Bader 2005
Méthodologie applicable à tous les champs de conditions aux limites
• irradiance (constante solaire)• extension de la banquise • facteurs astronomiques• occupation du sol• humidité du sol• volcanisme• albédo• …
Exemples d'utilisation
IPCC, 2007
Etape 1 : les modèles parviennent à bien simuler l’évolution des températures sur le 21ème siècle
(ouf, ça fonctionne !)
Exemple #3 : expériences de sensibilité (en mode couplé)
Exemples d'utilisation
IPCC, 2007
Etape 1 : les modèles parviennent à bien simuler l’évolution des températures sur le 21ème siècle
(ouf, ça fonctionne !)
Etape 2 : en entrée du modèle on ôte les émissions anthropiques de GES
pour que ça fonctionne (= que la Terre se réchauffe), l’influence anthropique est
nécessaire
Exemple #3 : expériences de sensibilité (en mode couplé)
Exemples d'utilisation Exemple #3 : expériences de sensibilité (en mode couplé)
Entrées (Forçages)Concentrations GES
Modèle de climat
Effets des GES surle climat
Entrées (Forçages)scénario (è 2200)
Modèle de climat
Projection climatique(è 2200)
Exemples d'utilisation Exemple #3 : expériences de sensibilité (en mode couplé)
Sensibilité à la composition chimique de l'atmosphère et prospective à l'échéance 2100 ou 2200
Pour ce faire, scénarios idéalisés d'évolution des concentration des GES
IPCC, 2001, 2007
Exemples d'utilisation Exemple #3 : expériences de sensibilité (en mode couplé)Temps
Pess
imism
e (ré
alism
e ?)
du
scén
ario
IPCC AR5!
Exemples d'utilisation Exemple #4 : étude de la variabilité internede l'atmosphère
Réalisation d'une simulation d'ensemble formée de plusieurs "runs" pour étudier la partie reproductible du signal climatique
(a)
(b)
Vincent Moron, université Aix-Marseille, 2007
Cas (a) : runs convergents, "guidés" par un forçage commun (TSM, …)Cas (b) : runs divergents
Etude du rapport signal / bruit
Limites• La résolution de certaines équations demande de travailler à l'échelle globale• Le nombre élevé de points de grille est coûteux en temps de calcul• Cela limite (souvent) la résolution des GCM
Vincent Moron, université Aix-Marseille, 2007http://www.bgc-jena.mpg.de/~dsachse/ESMS/files/Werner_Talk.Atmospheric.Models.mw.pdf
LimitesSolution : dans certains GCM, possibilité de zoomer sur la région d'intérêt
ARPEGE(Météo-France / CNRS)
LMDZ(IPSL / CNRS)
LimitesSolution : dans certains GCM, possibilité de zoomer sur la région d'intérêt
Exemples de grilles zoomées du modèle LMDZ sur l'Afrique de l'Ouest
Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009
LimitesLimite : l'approximation hydrostatique
Dans l'atmosphère, les mouvements "violents" dans la verticale sont observés aux échelles fines
ex : à une échelle de 10-20km, ωmax = 1 m.s-1 au plus (ωmax = vitesse verticale max.)
le temps mis pour parcourir l'épaisseur de la troposphère sera environ t = H / ωmax pour peu que la vitesse verticale soit à peu près uniforme, où H ≈ 10 000 m = hauteur de la tropopause
son accélération verticale sera approximée par ω' � ωmax / t = ωmax2 / H
donc à une échelle de 10-20km, ω' ≈ 0.0001 m.s-2
L'approximation hydrostatique revient à négliger ω' devant g (10 m s-2)
Intérêt : simplification de l'équation de vitesse verticale
Pas d'accélération sur la verticale implique que la force verticale de pression compense exactement la force gravitationnelle
Pierre Bénard, CNRM, 9 juin 2000
LimitesLimite : l'approximation hydrostatique
Pierre Bénard, CNRM, 9 juin 2000
- g
€
1ρ∂p∂z
où ρ masse volumique de la "particule d'air", z son altitude et p sa pression
Avec approximation hydrostatique :
Sans approximation hydrostatique, résolution explicite de ω :
€
1ρ∂p∂z
= −g
€
dωdt
= −g − 1ρ∂p∂z
L'approximation hydrostatique interdit de descendre à des résolutions supérieures à une dizaine de kilomètres ; en basse résolution elle est vérifiée et est économe en temps de calcul.
Solution : résoudre ω uniquement là où c'est nécessaire…… via des modèles régionaux de climat
Principes générauxPhilosophie générale : alimenter un modèle à aire limitée à haute résolution via un GCM basse résolution
Avantages :• conditions de surface plus réalistes• physique plus sophistiquée (modèles non-hydrostatiques, paramétrisations plus complexes)>> pas de limite théorique dans la résolution
Inconvénients :• le passage de la basse à la haute résolution est toujours critique• résultats fortement dépendants de la taille et localisation du domaine• pas de retour du RCM vers le GCM : "one-way nesting">> champ d'applications plus restreint
Principes généraux
Un RCM est un outil de désagrégation dynamique (il existe aussi des techniques de désagrégation statistique).
"Downscaling is the process to making the link between the state of some variable representing a large scale and the state of some variable representing a much smaller scale"
But : résoudre régionalement la thermodynamique de l'atmosphère en étant alimenté aux bornes par un modèle forceur
Benestad et al. 2007
Principes généraux
Un RCM est un outil de désagrégation dynamique (il existe aussi des techniques de désagrégation statistique).
"Downscaling is the process to making the link between the state of some variable representing a large scale and the state of some variable representing a much smaller scale"
Thierry Castel – CRC
Exemple de domaines emboîtés du domaine WRF
• one-way nesting entre WRF et le GCM forceur (réanalyses européennes ERA-Interim)• two-way nesting entre les domaines WRF (d01, …, d04)• résolutions : 81, 27, 9 et 3 km
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage
Initialisation de la simulation (ex : GCM forceur)
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Principes généraux
Initialisation de la simulation (ex : GCM forceur)
Optionnel mais parfois utile : le "nudging", ou guidage
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Prévision desvariables
pronostiques
Calcul desvariables pronostiques
à t+δt
t+δt
Principes généraux
Initialisation de la simulation (ex : GCM forceur)
Optionnel mais parfois utile : le "nudging", ou guidage
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Prévision desvariables
pronostiques
Calcul desvariables pronostiques
à t+δt
t+δt
Principes généraux
Initialisation de la simulation (ex : GCM forceur)
Optionnel mais parfois utile : le "nudging", ou guidage
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Prévision desvariables
pronostiques
Calcul desvariables pronostiques
à t+δt
t+δt
Principes généraux
Initialisation de la simulation (ex : GCM forceur)
Prescription de variables pronostiques
(ex : GCM forceur)
Optionnel mais parfois utile : le "nudging", ou guidage
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Prévision desvariables
pronostiques
Variablespronostiques
prescrites
t+δt
Principes généraux
Initialisation de la simulation (ex : GCM forceur)
Prescription de variables pronostiques
(ex : GCM forceur)
Optionnel mais parfois utile : le "nudging", ou guidage
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Prévision desvariables
pronostiques
Variablespronostiques
prescrites
t+δt
Principes généraux
Initialisation de la simulation (ex : GCM forceur)
Prescription de variables pronostiques
(ex : GCM forceur)
Calcul desvariables
diagnostiquesphysique
Optionnel mais parfois utile : le "nudging", ou guidage
Etat initial t0 : variables pronostiques (u, v, t, q, z,
…)
t0
Etat initial t0 : calcul des variables diagnostiques
(p, e, w, olr, …)physique
Prévision desvariables
pronostiques
Variablespronostiques
prescrites
t+δt
Principes généraux
Initialisation de la simulation (ex : GCM forceur)
Prescription de variables pronostiques
(ex : GCM forceur)
Calcul desvariables
diagnostiquesphysique
Nudging = terme de rappel dans les équations pronostiques
Optionnel mais parfois utile : le "nudging", ou guidage
Principes généraux
δX/δt = D(X) + P(X) – λ(X-Xref)
λ = tstep/etime (où tstep = pas de temps d'intégration, etime temps de relaxation)
En pratique, souvent guidage vers les structures large échelle filtréesEchelle fine calculée par le RCM
GCM
René Laprise & Daniel Caya, 2007
Optionnel mais parfois utile : le "nudging", ou guidage
Exemples d'utilisation
Adapté de Morel et al. 2014
Régionalisation du signal climatique (P)
Le modèle permet de franchir le saut d'échelle entre les systèmes météo et leurs impacts localisés(ici : 1200mm de pluie en 24H !)
Exemples d'utilisation
Vischel et al. 2007
Régionalisation du signal climatique
• Etudes de cas ou de processus d'échelle fine• Etudes de phénomènes requérant des conditions de surface réalistes• Spatialisation de champs géophysiques• Application aux études d'impacts (hydrologiques, agronomiques)
14.4 mm 14.4 mm 14.4 mm 14.4 mm
0.5 mm 0.4 mm 0.2 mm 0.0 mm
Pluv
iom
étri
e R
uiss
elle
men
t
Exemples d'utilisation
Spatialisation des changements de température (RCP8.5 : scénario pessimiste)
Echelle régionale : incertitude modérée
Très forte sensibilité aux émissions de GES (non montré)
Météo-France / CNRS!
Exemples d'utilisation
Spatialisation des changements de précipitations(RCP8.5 : scénario pessimiste)
Echelle régionale : incertitude forte
Forte sensibilité aux émissions de GES (non montré)
Météo-France / CNRS!
Limites
Résultats très dépendants à un (assez) grand nombre de paramètres
• les paramétrisations physiques
Adapté de Crétat et al. 2011a
Limites
Résultats très dépendants à un (assez) grand nombre de paramètres
• les paramétrisations physiques• le GCM forceur (et sa physique)• la taille et la localisation du domaine
Adapté de Pohl et al. 2011
Limites
Résultats très dépendants à un (assez) grand nombre de paramètres
• les paramétrisations physiques• le GCM forceur (et sa physique)• la taille et la localisation du domaine• la résolution du GCM forceur• les conditions de surface
Adapté de Pohl et al. 2011
Limites
Résultats très dépendants à un (assez)grand nombre de paramètres
• les paramétrisations physiques• le GCM forceur (et sa physique)• la taille et la localisation du domaine• la résolution du GCM forceur• les conditions de surface• la résolution verticale et horizontale du RCM• le couplage avec des modèles de surface ou d'océan• les effets de bord (spin-up spatial)
Adapté de Crétat et al. 2011b
Limites
Résultats très dépendants à un (assez)grand nombre de paramètres
• les paramétrisations physiques• le GCM forceur (et sa physique)• la taille et la localisation du domaine• la résolution du GCM forceur• les conditions de surface• la résolution verticale et horizontale du RCM• le couplage avec des modèles de surface ou d'océan• les effets de bord (spin-up spatial)
Nécessité d'évaluer les incertitudes autant que les biais
En pratique, descendre en dessous de l'échelle kilométrique reste parfois incertain (problème de résolution de fichiers de conditions aux limites + comportement fortement chaotique de l'atmosphère à ces échelles)
Sans retour vers le modèle forceur (two-way nesting), pas d'expériences de sensibilité ("syndrome cocotte-minute")
L. Fairhead – LMD / IPSL
Conclusion
Modèle = simplification (outrancière selon leurs détracteurs) de la réalité
Avantages
• permettent l'expérimentation• étude de la causalité des mécanismes physiques (à la différence des stats)• seul outil capable d'étudier la réponse du système climatique à un forçage prescrit
Inconvénients
• limites "indépassables" : dynamique non-linéaire et chaotique de l'atmosphère ; discrétisation spatio-temporelle de phénomènes continus• associés à des incertitudes non négligeables (notamment liées à la physique / aux paramétrisations)
A retenir…
Question principale : à quels forçages les modèles répondent-ils ?
ESM / AOGCM constante solaire (+ gaz à effet de serre*)AGCM + temp. de surface de la mer (SST)RCM + atmosphère basse résolution latéralement
* + paleogeographie pour les modèles paléo-climatiques** exemples donnés à titre indicatif, cette liste n'est pas exhaustive et d'autres utilisations sont possibles
Que peut-on faire de ces modèles? **
ESM / AOGCM changement climatique, études du climatpas de phasage réaliste avec l'obs
aux pas de temps courts (jusqu'à décennal)
AGCM réponse de l'atmosphère à la SSTvariabilité transitoire (et en partie interannuelle) non phasée
avec l'obs. après quelques jours (météo ≠ climato)variabilité interannuelle si réponse à la SST
RCM réponse de l'atmosphère régionale à la SST régionale et au forçage latéral en atmosphère
variabilité transitoire en partie phasée avec l'obs.
IN model OUT
Climat & Politique Votre avis sur deux citations d'hommes politiques
“Il faut être arrogant comme l’homme pour penser que c’est nous qui avons changé le climat. (…) On a fait une conférence sur le climat. On parle beaucoup de dérèglement climatique, c’est très intéressant, mais ça fait 4,5 milliards d’années que le climat change. L’homme n’est pas le seul responsable de ce changement”
Nicolas Sarkozy
Climat & Politique Votre avis sur deux citations d'hommes politiques
“Il faut être arrogant comme l’homme pour penser que c’est nous qui avons changé le climat. (…) On a fait une conférence sur le climat. On parle beaucoup de dérèglement climatique, c’est très intéressant, mais ça fait 4,5 milliards d’années que le climat change. L’homme n’est pas le seul responsable de ce changement”
Nicolas Sarkozy
Climat & Politique Votre avis sur deux citations d'hommes politiques
“Il faut être arrogant comme l’homme pour penser que c’est nous qui avons changé le climat. (…) On a fait une conférence sur le climat. On parle beaucoup de dérèglement climatique, c’est très intéressant, mais ça fait 4,5 milliards d’années que le climat change. L’homme n’est pas le seul responsable de ce changement”
Nicolas Sarkozy
avec influence humaine
sans influence humaine
II — Application au changement climatique The concept of global warming was created by and for the Chinese in order to make U.S. manufacturing non-competitive. Donald Trump
1896 Svante August Arrhenius [ CO2 ] x 2 = +5°C (+2 à +4°C selon le GIEC en 2007) [ CO2 ] ÷ 2 = -4.5°C MAIS en 1896, 3000 ans pour arriver à [ CO2 ] x 2 … contre 100 ans environ aujourd'hui !